chaser30的博客

对于任意三个非共线点，附近有任何一个点，都能满足以下条件PAβAC⃗γAB⃗PAβACγAB​​​其几何意义解释为，从点AAA出发，沿着AC⃗\vec{AC}AC方向走一个长度β∣AC⃗∣β∣AC∣，再沿着AB⃗\vec{AB}AB方向走一个长度γ∣AB⃗∣γ∣AB∣，则能够得到任意点PPP的坐标（如果β或γ\beta或\gammaβ或γ为负，则表示为AC⃗。

A、B、C分别是参考线的某三个连续的离散点，abc分别是其对边。根据三角形外接圆相关性质，通过作三条边的中垂线的交点可以求得三角形的外接圆心。根据图形几何可知，向量a与向量b的点乘/行列式即为他们两所构成的平行四边形的面积，写作。为这个三角形的面积，a,b,c为三个点构成三角形的三条边的边长，即三个向量的模，写作。相似，另外两个三角形同理，所以他们有以下关系。这个半径可以根据外接圆半径得到，综上，求路径半径及其曲率的公式为。时，即可得到曲率圆的半径，写作。的向量和，记向量和的端点为。，那么三个点的坐标为。

由于叉乘本身是有正负号的，这里为了正确计算横向距离。以二维向量为例，假设空间中有两个向量。以二维向量为例，假设空间中有两个向量。，需要对叉乘操作加上一个绝对值处理，即。(Dot Product)的结果是。(Dot Product)称为。综合以上两个公式易得。

旋转平移变换是以上两种情况的叠加，已知旋转平移后的坐标系。如果是在机器人相关领域，也习惯简写为如下形式。旋转前后的坐标关系可表示如下。，将坐标系整体平移，假设点。平移变化符合向量的加法，即。，根据三角形几何关系，有。，根据三角形几何关系，有。随坐标系一起平移，平移后。根据投影关系，旋转后的。在平移变换后在原坐标轴。中的坐标值，然后坐标系。在旋转变换后的坐标轴。根据投影关系，可以将。在基坐标系中的坐标值。

定义：外接圆圆心性质：三边中垂线交点外心到三顶点的距离相等定义：内接圆圆心性质：三条角平分线交点内心到三边的距离相等定义：三条高的交点定义：三条中线的交点性质：它是到三角形三顶点距离的平方和最小的点它是三角形内部到三边距离之积最大的点。

将其中一条直线表示为点斜式的形式（这里以第一条直线为例）为了使用方便，将其用C++进行封装。分别为直线在x轴、y轴上的截距(将其代入到另一条直线的方程中，假设已知两条之间的一般式方程。以下用两个已知直线来验证结果。用matlab程序来验证结果。将它们改写为一般式则为。分别为直线上的不同两点。是直线在y轴上的截距。

三个角，它们与三角形面积的关系可写作。由于矢量运算的叉乘存在以下性质。根据海伦公式计算三角形面积。，易得任意两矢量，以下以。所以三角形的面积可表示为。，求一个三角形的半周长。为三角形的半周长，有。

运动规划与轨迹规划之间的关系：Lavalle S M. Planning Algorithms[M]. Cambridge University Press, 2006.这里对运动规划与轨迹规划之间关系的定义参考的是Lavalle的《规划算法》基于以上的介绍，我们这里将规划分为三个概念，并对它们各自的职责进行说明。

sin−α−sinαcos−αcosαtan−α−tanαsin2π​αcosαcos2π​α−sinαtan2π​α−cotαsin2π​−αcosαcos2π​−αsinαtan2π​−αcotαsinπα−sinαcosπα−cosαtanπαtanαsinπ−αsinαcosπ−α−cosαtanπ−α−tanαsinπα。

最小二乘法拟合圆

tanθ≈θtan \theta \approx \thetatanθ≈θ，θ

文章目录LU分解LU分解简介LU分解与高斯分解的对比LU的主要用途使用LU矩阵的注意事项初等矩阵与消元LU分解与配方法实际效果对比(matlab)使用LU分解中的一些特例AAA矩阵中主元（位于第一行第一列的元素）为0LU分解后UUU为非满秩LU分解的推广1——LDU分解LU分解的推广2——Crout分解LU分解LU分解简介LU分解是矩阵因式分解的一种，也叫Doolittle分解。旨在将Ax=bAx = bAx=b中的矩阵AAA表示为两个或多个矩阵的乘积。LU分解是将矩阵AAA分解为一个下三角矩阵(Lo

库的安装（eigen/OSQP/OSQP-eigen）及其他实例可以参考这个链接。，其中常数项对二次型求解没有影响，可以直接忽略。由于二次规划问题求解器默认的求解形式为。以下面的一个优化问题求解为例。Cmakelist文件如下。

\vec a$$a˚\r aa˚\r aa^\hat aa^\^a或\hat aa˜\~aa˜\~a$$aˉ\=aaˉ\=aaˊ\'aaˊ\'aaˇ\v aaˇ\u a 或\v a$ \ a $\\\ a$$a1a_1a1​a_1a1a^1a1a^11a{^1}a1a{^1}a1a{_1}a1​a{_1}a$$a+b‾\overline{a+b}a+b​\overline{a+b}a+b‾\underline{a+b}

卡尔曼滤波推导及其实例